一、爬虫原理
1.互联网:由一堆网络设备把一台台计算机互联到一起称之为互联网
2.互联网建立的目的:传递与共享数据
3.上网的全过程
普通用户:
打开浏览器---->往目标站点发送请求---->获取响应数据---->渲染到浏览器中
爬虫程序:
模拟浏览器---->往目标站点发送请求---->获取响应数据---->提取有价值的数据---->持久化到数据中
4.浏览器发送的请求
http协议的请求
客户端:
浏览器是一个软件---->客户端的IP和端口
服务端:
https://www.jd.com/
www.jd.com(京东域名)--->DNS解析--->京东服务端的IP和端口
客户端的Ip端口---->服务端的IP和端口 发送请求可以建立链接获取相应数据
5.爬虫的全过程
- 发送请求(需要请求库:Requests请求库、Selenium请求库)
- 获取相应数据(只要往服务器发送请求,通过后会返回响应数据)
- 解析并提取数据(需要解析库:re、BeautifulSoup4、Xpath…)
- 保存到本地(文件处理、数据库、MongoDb存储库)
二、Requests请求库
1、安装与使用
- 打开cmd
- 输入:pip3 install requests
import requests # 导入requests请求库 # # # 往百度主页发送请求,获取响应对象 response = requests.get(url = 'https:www.baidu.com') # # # 设置字符编码为 utf-8 response.encoding = 'utf-8' # # # 打印响应文本 print(response.text) # # # 把响应文本写入本地 with open('baidu.html','w',encoding='utf-8')as f: f.write(response.text)
2、爬取视频:梨视频
import requests video_url = 'https://www.pearvideo.com/video_1570475' response = requests.get(url=video_url) print(response.text) # 往视频源地址发送请求 response = requests.get('https://video.pearvideo.com/mp4/adshort/20190626/cont-1570475-14058832_adpkg-ad_hd.mp4') # 打印二进制流,比如图片、视频等数据 print(response.content) # # 保存视频到本地 with open('video.mp4','wb')as f: f.write(response.content)
3、批量爬取视频
(1).先往梨视频主页发送请求
https://www.pearvideo.com/
解析获取所有视频的id:
video_1570302
re.findall()
(2).获取视频详情页url
import requests import re # 正则,用于解析文本数据 # 1.先往梨视频主页发送请求 response = requests.get('https://www.pearvideo.com/') print(response.text) # re正则匹配获取所有视频id # 参数1:正确匹配规则 # 参数2:解析文本 # 参数3:匹配模式 res_list = re.findall('<a href="video_(.*?)"', response.text, re.S) print(res_list) for v_id in res_list: detail_url = 'https://www.pearvideo.com/video_'+ v_id print(detail_url) # 对每一个视频详情页发送请求获取视频源url response = requests.get(url=detail_url) # print(response.text) # 解析并提取详情页视频url # 视频url video_url = re.findall('srcUrl="(.*?)"', response.text, re.S)[0] print(video_url) # 视频名称 video_name = re.findall('<h1 class="video-tt">(.*?)</h1>', response.text, re.S)[0] print(video_name) # 往视频url发送请求获取视频二进制流 v_response = requests.get(video_url) with open('%s.mp4'% video_name,'wb')as f: f.write(v_response.content) print(video_name, '视频爬取完成')
三 爬取豆瓣电影(top250)
.: 从当前位置开始
*: 查找所有
?: 找到第一个不找
.*?: 非贪婪匹配
.*: 贪婪匹配
(.*?): 提取括号内的数据
爬取的数据:
电影排名、电影url、电影名称、导演-主演-类型、电影评分、评价人数、电影简介
’’’
主页面网址
https://movie.douban.com/top250?start=0&filter=
https://movie.douban.com/top250?start=25&filter=
https://movie.douban.com/top250?start=50&filter=
1.发送请求
2.解析数据
3.保存数据
’’’
import requests import re # 爬虫三部曲 # 1.发送请求 def get_page(base_url): response = requests.get(base_url) return response # 2.解析文本 def parse_index(text): res = re.findall( '<div class="item">.*?<em class="">(.*?)</em>.*?<a href="(.*?)">.*?<span class="title">(.*?)</span>.*?导演:(.*?)</p>.*?<span class="rating_num".*?>(.*?)</span>.*?<span>(.*?)人评价</span>.*?<span class="inq">(.*?)</span>', text, re.S) return res # 3.保存数据 def save_data(data): with open('douban.txt','a',encoding='utf-8')as f: f.write(data) # main + 回车键 if __name__ == '__main__': # num = 10 # base_url = 'https://movie.douban.com/top250?start{}&filter='.format(num) num = 0 for line in range(10): base_url = f'https://movie.douban.com/top250?start={num}&filter=' num += 25 print(base_url) # 1.发送请求,调用函数 response = get_page(base_url) # 2.解析文本 movie_list = parse_index(response.text) # 3.保存数据 # 数据的格式化 for movie in movie_list: # print(movie) # 解压赋值 # 电影排名、电影url、电影名称、导演-主演-类型、电影评分、评价人数、电影简介 v_top,v_url,v_name,v_daoyan,v_point,v_num,v_desc = movie # v_top = movie[0] # v_url = movie[1] movie_concent = f''' 电影排名:{v_top} 电影url:{v_url} 电影名称:{v_name} 导演主演:{v_daoyan} 电影评分:{v_point} 评价人数:{v_num} 电影简介:{v_desc} \n ''' print(movie_concent) # 保存数据 save_data(movie_concent)
四、抓包分析
打开浏览器的开发者模式(检查)---->选中network
找到访问的页面后缀xxx.html(响应文本)
1)请求url(访问的网站地址)
2)请求方式:
GET:
直接发送请求获取数据
https://www.cnblogs.com/kermitjam/articles/9692597.html
POST:
需要携带用户信息往目标地址发送请求
https://www.cnblogs.com/logi
3)响应状态码:
2xx:成功
3xx:重定向
4xx:找不到资源
5xx:服务器错误
4)请求头信息
User-Agent:用户代理(证明是通过电脑设备及浏览器发送的请求)
Cookies:登录用户真实信息(证明你是目标网站的用户)
Referer:上一次访问的url(证明你是从目标网站跳转过来的
5)请求体:
POST请求才会有请求体
Form Data
{
'user':'monika',
'pwd':'123'
}